LINEACT CESI (EA 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles.  Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux thèmes scientifiques interdisciplinaires et deux domaines applicatifs.

• Le thème 1 "Apprendre et Innover" relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés par ce thème sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.
• Le thème 2 "Ingénierie et Outils Numériques" relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques de ce thème portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes industriels ou urbains. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des jumeaux numériques couplés à des environnements virtuels ou augmentés.

Ces deux thèmes développent et croisent leurs recherches dans les deux domaines applicatifs de l'Industrie du Futur et de la Ville du Futur, soutenus par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.

Ce stage se déroulera dans le cadre du thème Ingénierie et Outils Numériques et plus spécifiquement l’analyse de données de systèmes industriels ou urbain pour l’aide à la décision.

Sujet de stage

Dans l’industrie 4.0, la maintenance prédictive permet de détecter les anomalies et d’anticiper les pannes à venir sur un équipement, machine ou composant. A travers la collecte continue de données multi-capteurs et d’analyse du fonctionnement du système, cette stratégie de maintenance se base sur des algorithmes d’apprentissage automatique capables de construire des modèles dotés d’une capacité à détecter les premiers signes annonciateurs de pannes ou de défaillances fonctionnelles. La détection précoce d’anomalies permet de les prévenir, d’anticiper des actions correctives à mettre en place et de limiter le temps d’indisponibilité.

Pour ce faire, les solutions de maintenance prédictive se basent sur l’estimation de la durée de vue résiduelle avant défaillance (RUL : Remaining Useful Life) qui représente le temps de fonctionnement restant avant l’occurrence d’une panne sur un composant ou une machine. Plusieurs familles d’approches sont citées dans la littérature : les approches basées sur les modèles (model-based), les approches basées sur les données (data-driven), les approches basées sur les connaissances métier (knowledge-based) ou l’approche hybride combinant les trois précédentes approches.

Les solutions proposées dans la littérature traitent principalement des approches data-driven, et très peu d’approches hybrides sont proposées ou testées. Pour cela, l’objectif de ce stage est d’explorer davantage de nouvelles approches hybrides data-driven et knowledge-based, dans un premier temps.

Après avoir augmenté l’état de l’art, l’étudiant(e) s’intéressera au dataset C-MAPSS référencé dans la littérature du domaine, pour établir un premier modèle basé sur les données. Mis à disposition par la NASA, le dataset C-MAPSS correspondant à un jeu de données généré par la simulation du fonctionnement opérationnel de moteurs d’avion, ayant pour finalité d’évaluer la performance des modèles d’estimation de RUL.

Le second objectif du stage concerne la modélisation d’une ontologie de domaine ou d’un graphe sémantique à partir des connaissances métier intégrées au dataset C-MAPSS. Parmi les approches à étudier, la représentation spatiale et topologique des composants du système sera abordée et analysée.

Les étapes de ce travail seront :

1. Etat de l’art sur la problématique de recherche et sur les approches de maintenance prédictive hybrides,
2. Etude du jeu de données C-MAPSS,
3. Proposition et implémentation d’une approche data-driven pour la prédiction des pannes,
4. Modélisation et représentation spatiale des composants physiques par des relations spatiales et/ou sémantiques,
5. Proposition d’une approche hybride combinant les résultats de l’approche data-driven et les connaissances métier,
6. Tests et évaluation des performances de l’approche hybride,
7. Valorisation des résultats par la production d’un article scientifique.

Références :

[01] : de Pater, I., Reijns, A., & Mitici, M. (2022). Alarm-based predictive maintenance scheduling for aircraft engines with imperfect Remaining Useful Life prognostics. Reliability Engineering and System Safety, 221, [108341]. https://doi.org/10.1016/j.ress.2022.108341

[02] : Berghout, T., & Benbouzid, M. (2022). A Systematic Guide for Predicting Remaining Useful Life with Machine Learning. Electronics, 11(7). doi:10.3390/electronics11071125

[03] : Asif, O., Haider, S. A., Naqvi, S. R., Zaki, J. F. W., Kwak, K.-S., & Islam, S. M. R. (2022). A Deep Learning Model for Remaining Useful Life Prediction of Aircraft Turbofan Engine on C-MAPSS Dataset. IEEE Access, 10, 95425–95440. doi:10.1109/ACCESS.2022.3203406

[04] : Ran, Y., Zhou, X., Lin, P., Wen, Y., & Deng, R. (2019). A Survey of Predictive Maintenance: Systems, Purposes and Approaches. doi:10.48550/ARXIV.1912.07383

[05] : Cheng, X., Chaw, J. K., Goh, K. M., Ting, T. T., Sahrani, S., Ahmad, M. N., … Ang, M. C. (2022). Systematic Literature Review on Visual Analytics of Predictive Maintenance in the Manufacturing Industry. Sensors, 22(17). doi:10.3390/s22176321

[06] : Montero Jimenez, J. J., Schwartz, S., Vingerhoeds, R., Grabot, B., & Salaün, M. (2020). Towards multi-model approaches to predictive maintenance: A systematic literature survey on diagnostics and prognostics. Journal of Manufacturing Systems, 56, 539–557. doi:10.1016/j.jmsy.2020.07.008

[07] : Steenwinckel, B., De Paepe, D., Vanden Hautte, S., Heyvaert, P., Bentefrit, M., Moens, P., … Ongenae, F. (2021). FLAGS: A methodology for adaptive anomaly detection and root cause analysis on sensor data streams by fusing expert knowledge with machine learning. Future Generation Computer Systems, 116, 30–48. doi:10.1016/j.future.2020.10.015

[08] : Zio, E. (2022). Prognostics and Health Management (PHM): Where are we and where do we (need to) go in theory and practice. Reliability Engineering & System Safety, 218, 108119. doi:10.1016/j.ress.2021.108119

[09] : Marc-Zwecker, S., De Bertrand de Beuvron, F., Zanni-Merk, C., & Le Ber, F. (09 2013). Qualitative spatial reasoning in RCC8 with OWL and SWRL.

Encadrant (s) :

• HAFSI Meriem, Enseignant-Chercheur

Organisation du stage

• Financement : 592€ par mois
• Lieu de travail : Campus CESI Lyon 
• Date de démarrage : A partir d'avril 2023

Durée : 6 mois

Vos compétences :

Compétences scientifiques et techniques :

• Apprentissage automatique (Machine Learning et Deep Learning),
• Bonne maitrise du langage Python et des librairies de traitement des données,
• Bonnes capacités rédactionnelles,
• Maitrise de l’anglais.

Compétences relationnelles :

• Etre autonome, avoir un esprit d’initiative et de curiosité,
• Savoir travailler en équipe et avoir un bon relationnel,
• Etre rigoureux.